SAM^{Med}：基于大型视觉模型的医学图像标注框架
计算机视觉与模式识别
2023-09-20 v2
摘要
近来，大型视觉模型Segment Anything Model (SAM)革新了计算机视觉领域，尤其是图像分割。SAM提出了一种新颖的可提示分割范式，展现出卓越的零样本泛化能力。大量研究已探索了SAM在各种下游任务中的潜力与局限。在本研究中，我们提出SAM^{Med}，一个利用SAM能力的增强型医学图像标注框架。SAM^{Med}框架由两个子模块组成，即SAM^{assist}和SAM^{auto}。SAM^{assist}通过提示学习方法展示了SAM对下游医学分割任务的泛化能力。结果表明，仅使用约5个输入点，分割精度即显著提升。SAM^{auto}模型旨在通过自动生成输入提示来加速标注过程。所提出的SAP-Net模型仅用五张标注切片即取得优越的分割性能，在肾脏和肝脏分割上分别达到0.80和0.82的平均Dice系数。总体而言，SAM^{Med}在医学图像标注中展现出有前景的结果。这些发现凸显了在医学图像标注任务中利用大规模视觉模型的潜力。
引用
@article{arxiv.2307.05617,
title = {$\mathrm{SAM^{Med}}$: A medical image annotation framework based on large vision model},
author = {Chenglong Wang and Dexuan Li and Sucheng Wang and Chengxiu Zhang and Yida Wang and Yun Liu and Guang Yang},
journal= {arXiv preprint arXiv:2307.05617},
year = {2023}
}